数字隐写分析研究数字载体中是否含有密信以及如何提取所嵌入的密信,是多媒体信息安全领域的重要研究方向,对于维护国家安全和社会稳定具有重要意义。由于数字视频在空域和时域均存在大量冗余,能提供丰富的载密容量,已成为重要的数字隐写载体。因此,研究针对视频的隐写分析方法具有重要的理论意义和实际应用价值。与图像隐写不同,视频隐写方法几乎不会直接针对帧图像的空域像素进行修改,其主流的嵌密方式都是在视频编码压缩后针对编码参数或DCT系数残差进行修改,于是嵌密对视频的修改所造成的信号畸变便被分散到当前帧和相邻帧上,这一独特的性质使得现有的图像隐写分析方法难以直接在视频隐写分析中奏效。近年来,深度学习技术得到了飞速的发展,然而由于无法对嵌密主体直接进行采样,这使得深度学习网络难以用于视频的隐写分析。以视频隐写的主流嵌密方式修改运动向量为例,各帧运动向量在空域上数量不同且数据稀疏,在时域上运动向量的位置又没有确定的对应关系,导致无法直接针对运动向量构造满足深度学习网络检测器所要求的格式统一的检测矩阵。本文针对这一瓶颈问题进行研究,对于数据稀疏、各帧数据数量不一、各数据在不同帧上空间位置没有对应关系的视频编码域视频隐写检测数据的采样及采样数据输入矩阵的构造给出一个全面、完整的解决方案,并以H.265/HEVC压缩视频的隐写为例,提出一个用于视频运动向量隐写分析的深度学习检测网络。本文主要工作和创新点如下:（1）首次提出了一种适用于深度卷积神经网络检测视频运动向量隐写的数据采样与输入矩阵构造策略。根据H.265/HEVC视频编码的特点,以编码树中4×4尺寸小块为基础单元,对各帧进行统一的划分,以便解决采样信号分布不均匀的问题;对运动向量的水平分量和垂直分量同时进行采样,以便解决采样信号数据量不足的问题;将运动向量的参考索引作为采样对象,反映时域相邻帧之间的相关性;根据视频运动向量和预测残差在不同码率下有着不同的隐写分析贡献,于是将运动向量和预测残差组成双支路输入并形成互补,进而提升对不同码率视频的隐写鲁棒检测性。最后,在图像隐写分析的基线网络SRNet的基础上,构建了一个检测H.265/HEVC视频运动向量隐写的深度卷积神经网络VSRNet（Video Steganalysis Residual Network）,并用实验证明其有效性。（2）提出了一种融合选择信道感知的深度卷积神经网络视频隐写分析方法。考虑到载密元素在嵌密过程中被修改的概率可作为隐写分析的重要参考信息,根据H.265/HEVC视频运动向量隐写的特点,通过定义运动向量的嵌密概率,将其作为采样对象并构建对应的嵌密概率图,进而得到新的采样数据输入矩阵。在VSRNet的后端,设计融合嵌密概率图信息的选择信道感知模块,得到带有选择信道感知的网络SCA-VSRNet（Selection-Channel-Aware-VSRNet）,实验证明了该方法能进一步提升VSRNet的检测性能。（3）提出了一种基于深度卷积神经网络的H.265/HEVC视频运动向量的定量隐写分析方法。以VSRNet作为基础骨干网络,将用于二分类的隐写分析特征与载密数据的嵌入率建立对应的回归关系,在此基础上构建数个不同嵌入率的隐写分析特征提取网络,将VSRNet的二分类输出变换成回归预测输出。实验证明所设计的Q-VSRNet（Quantitative-VSRNet）能准确地完成视频运动向量的定量隐写分析。（4）提出了一种组合运动向量差值（MVD）采样数据的深度卷积神经网络视频隐写分析方法。在VSRNet的基础上,将数据采样与输入矩阵构造策略拓展至MVD采样数据中,得到了一种组合运动向量、预测残差以及MVD的多通道输入IVSRNe（Improved VSRNet）。实验证明,IVSRNet能有效地提升既有的VSRNet、SCAVSRNet以及Q-VSRNet的隐写检测性能。这充分证明了本文所提的数据采样与输入矩阵构造策略具有良好的普适性和可扩展性。